Se stai scrivendo il tuo codice di addestramento invece di utilizzare AutoML, puoi scegliere tra diversi modi di farlo. Questo argomento fornisce una breve panoramica e il confronto dei diversi modi in cui puoi eseguire l'addestramento personalizzato.
Risorse di addestramento personalizzato su Vertex AI
Esistono tre tipi di risorse Vertex AI che puoi creare per addestrare modelli personalizzati su Vertex AI:
Quando crei un job personalizzato, devi specificare le impostazioni necessarie per consentire a Vertex AI di eseguire il tuo codice di addestramento, tra cui:
- Un pool di worker per l'addestramento su un singolo nodo (
WorkerPoolSpec
) o più pool di worker per l'addestramento distribuito - Impostazioni facoltative per la configurazione della pianificazione dei job (
Scheduling
), impostazione di alcune variabili di ambiente per il codice di addestramento, utilizzo di un account di servizio personalizzato e utilizzo del peering di rete VPC
All'interno dei pool di worker, puoi specificare le seguenti impostazioni:
- Tipi di macchine e acceleratori
- Configurazione del tipo di codice di addestramento che viene eseguito dal pool di worker: un'applicazione di addestramento Python (
PythonPackageSpec
) o un container personalizzato (ContainerSpec
)
I job di ottimizzazione degli iperparametri hanno impostazioni aggiuntive da configurare, come la metrica. Scopri di più sull'ottimizzazione degli iperparametri.
Una pipeline di addestramento orchestra i job di addestramento personalizzato o i job di ottimizzazione degli iperparametri con passaggi aggiuntivi, ad esempio il caricamento di un set di dati o il caricamento del modello su Vertex AI dopo il completamento del job di addestramento.
Risorse di formazione personalizzate
Per visualizzare le pipeline di addestramento esistenti nel tuo progetto, vai alla pagina Pipelines Vertex AI di Google Cloud Console.
Vai alle pipeline di addestramento
Per visualizzare i job personalizzati esistenti nel tuo progetto, vai alla pagina Job personalizzati.
Per visualizzare i job di ottimizzazione degli iperparametri esistenti nel progetto, vai alla pagina Ottimizzazione degli iperparametri.
Vai a Ottimizzazione degli iperparametri
Container predefiniti e personalizzati
Prima di inviare un job di addestramento personalizzato, un job di ottimizzazione degli iperparametri o una pipeline di addestramento a Vertex AI, devi creare un'applicazione di addestramento Python o un container personalizzato per definire il codice di addestramento e le dipendenze che vuoi eseguire su Vertex AI. Se crei un'applicazione di addestramento Python con TensorFlow, scikit-learn o XGBoost, puoi utilizzare i nostri container predefiniti per eseguire il tuo codice. Se non sai quale di queste opzioni scegliere, consulta i requisiti del codice di addestramento per saperne di più.
Addestramento distribuito
Puoi configurare un job di addestramento personalizzato, un job di ottimizzazione degli iperparametri o una pipeline di addestramento per l'addestramento distribuito specificando più pool di worker:
- Utilizza il tuo primo pool di worker per configurare la replica principale e imposta il conteggio delle repliche su 1.
- Aggiungi altri pool di worker per configurare le repliche dei worker, le repliche del server dei parametri o le repliche del valutatore, se il tuo framework di machine learning supporta queste attività cluster aggiuntive per l'addestramento distribuito.
Scopri di più sull'utilizzo della formazione distribuita.
Passaggi successivi
- Consulta l'articolo Creazione di job di addestramento personalizzato per scoprire come creare job di addestramento personalizzato per eseguire le applicazioni di addestramento personalizzato su Vertex AI.
- Consulta Creare pipeline di addestramento per scoprire come creare pipeline di addestramento per eseguire applicazioni di addestramento personalizzato su Vertex AI.
- Consulta la pagina Utilizzo dell'ottimizzazione degli iperparametri per ulteriori informazioni sulle ricerche di ottimizzazione degli iperparametri.